超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法

摘要：

针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络(long short-term memory,LSTM)联合优化的室内点云高精度分类方法.该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类.在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化.基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2％;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度.

关键词：超体素、随机森林、LSTM、点云分类、室内建模

所属期刊栏目：48

分类号：P208;P237(一般性问题)

资助基金：深圳市科技计划;广东省自然科学基金项目;自然资源部城市土地资源监测与仿真重点实验室开放基金;佛山市促进高校科技成果服务产业发展扶持项目;国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;深圳大学新入职教师项目

在线出版日期：2023-05-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：525-533